一种脑动脉瘤检测模型建立方法、装置、设备及存储介质与流程

1.本发明涉及模型建立领域，具体涉及一种脑动脉瘤检测模型建立方法、装置、设备及存储介质。


背景技术：

2.颅内动脉瘤是较为常见的脑血管疾病之一，颅内动脉瘤高发高危，且起病隐匿，尽早检测颅内动脉瘤，并进行干预，具有重要的意义。目前，通过改进网络结构以实现对动脉瘤的检测是主要的研究热点，动脉瘤检测作为一种典型的小目标检测研究，对网络结构改进是有效的优化方法。
3.在现有技术中，通过在3du-net降采样后的高维特征卷积层增加senet通道注意力机制，还可以在3du-ne中加入残差网络和双通道注意力模块，还可以通过多层尺度的检测方法，提出glia-net(基于全局定位的分割网络)。然而，该种检测方法的知识引导网络仅实现了单一概念知识的引入，脑动脉瘤检测精确度较低。


技术实现要素：

4.有鉴于此，本发明提供了一种脑动脉瘤检测模型建立方法、装置、设备及存储介质，以提高脑动脉瘤检测精度的问题。
5.第一方面，本发明提供了一种脑动脉瘤检测模型建立方法，所述检测模型包括图卷积模型、编码器及解码器，该方法包括：
6.获取脑动脉数据融合图，并将所述脑动脉数据融合图输入至所述图卷积模型中，得到图卷积特征；
7.获取血管预处理结果及血管知识融合数据，并将所述血管预处理结果及血管知识融合数据输入到所述编码器中，进行解耦，得到解耦特征；
8.将所述图卷积特征和解耦特征进行特征融合，并将特征融合的结果输入到所述解码器中，利用血管空间标注对检测模型进行监督训练，得到脑动脉瘤检测模型。
9.本发明以多层次融合数据为输入，对脑动脉数据融合图进行处理，以得到脑动脉数据融合图对应的图卷积特征，对血管预处理结果和血管知识融合数据进行处理，以编码解码为框架，建立脑动脉瘤检测模型，以构建图卷积知识引导下的多尺度网络模型，进而利用脑动脉瘤检测模型进行脑动脉瘤检测，以提高脑动脉瘤检测结果的精确度。
10.在一种可选的实施方式中，在将所述脑动脉数据融合图输入至所述图卷积模型之前，所述方法还包括：
11.以语义交叉熵为损失函数，对并行卷积网络进行训练，得到图卷积模型。
12.本发明通过对并行卷积网络进行训练，得到图卷积模型，以便于对脑动脉数据融合图进行处理。
13.在一种可选的实施方式中，在将所述血管预处理结果及血管知识融合数据输入到所述编码器之前，所述方法还包括：
14.获取脑动脉分割数据和血管结构分层；
15.以血管中心线为轴向，基于所述脑动脉分割数据和血管结构分层建立编码器的感受野。
16.本发明通过根据脑动脉分割数据和血管结构分层，构建多层次血管空间下的多尺度血管形态感受野，以便于对血管预处理结果和血管知识融合数据输入到编码器中进行处理。
17.在一种可选的实施方式中，感受野的尺度包括局部血管、血管分段、血管分区、整体血管及整幅图像。
18.本发明通过对感受野的尺度进行设定，以在观察到数据的局部特征的同时，掌握全局信息，以更加全面地对血管数据图像进行分析。
19.在一种可选的实施方式中，所述编码器为多分支结构，所述将所述血管预处理结果及血管知识融合数据输入至所述编码器中，进行解耦，得到解耦特征，包括：
20.将所述血管预处理结果及血管知识融合数据输入至编码器分支中，得到对应的层次特征；
21.基于空间注意力机制传递所述层次特征，对所述层次特征进行多分支解耦，得到解耦特征。
22.本发明通过空间注意力机制传递层次特征，能够增强层次特征的有效传递利用编码器进行数据的多分支解耦，以实现层次特征的解耦的长连接机制，从而对数据进行解耦，以便于对解耦特征进行处理。
23.在一种可选的实施方式中，所述解码器采用双分支路径，双分支路径包括监督分支和实例分支，所述监督分支通过如下方式得到：
24.基于特征融合的结果对监督路径进行反馈监督，得到监督分支。
25.本发明通过对监督路径进行反馈监督，以得到解码器的监督分支，从而通过监督分支对编码器处理的数据进行处理。
26.在一种可选的实施方式中，所述将特征融合的结果输入到所述解码器中，利用多尺度标注为监督对检测模型进行训练，得到脑动脉瘤检测模型，包括：
27.将特征融合的结果输入至所述监督分支的卷积层，并将监督分支处理后的特征输入至所述实例分支中；
28.利用血管空间标注，以血管空间标注损失函数最小为目标，对检测模型进行监督训练，得到脑动脉瘤检测模型。
29.本发明通过将监督分支处理的特征输入到实例分支中进行处理，从而实现基于知识引导神经网络的脑动脉瘤检测模型的建立。
30.第二方面，本发明提供了一种脑动脉瘤检测模型建立装置，所述检测模型包括图卷积模型、编码器及解码器，该装置包括：
31.输入模块，用于获取脑动脉数据融合图，并将所述脑动脉数据融合图输入至所述图卷积模型中，得到图卷积特征；
32.解耦模块，用于获取血管预处理结果及血管知识融合数据，并将所述血管预处理结果及血管知识融合数据输入到所述编码器中，进行解耦，得到解耦特征；
33.训练模块，用于将所述图卷积特征和解耦特征进行特征融合，并将特征融合的结
果输入到所述解码器中，利用血管空间标注对检测模型进行监督训练，得到脑动脉瘤检测模型。
34.第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的脑动脉瘤检测模型建立方法。
35.第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的脑动脉瘤检测模型建立方法。
附图说明
36.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1是根据本发明实施例的脑动脉瘤检测模型建立方法的流程示意图；
38.图2是根据本发明实施例的脑动脉瘤检测模型结构示意图；
39.图3是根据本发明实施例的另一脑动脉瘤检测模型建立方法的流程示意图；
40.图4是根据本发明实施例的脑动脉瘤检测模型的编码器的结构示意图；
41.图5是根据本发明实施例的又一脑动脉瘤检测模型建立方法的流程示意图；
42.图6是根据本发明实施例的脑动脉瘤检测模型具体应用的流程示意图；
43.图7是根据本发明实施例的脑动脉瘤检测模型建立装置的结构框图；
44.图8是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
45.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
46.脑动脉瘤检测作为典型的小目标检测研究，通过改进网络结构实现动脉瘤特征是目前的研究热点，由于受制于三维影像数据的数量，因此，提升网络的学习效率是有效的优化方法。
47.通过在3d u-net降采样后的高维特征卷积层增加senet通道注意力机制，在单中心数据集上取得了敏感度90.8％，平均每例假阳性2.49个的结果，在多中心数据集上取得了敏感度82.5％，平均每例假阳性0.88个的结果，在显著提升了检测性能的同时，保持了相对较低的假阳性率。
48.目前此类优化方法在tof-mra脑动脉瘤检测领域研究较少，但在同为白血序列的cta脑动脉瘤检测研究中有多项优秀的研究成果。在3d u-net中，同时加入残差网络与双通道注意力模块，两个通道分别为通道注意力与空间注意力，并取平均加权，极大地提升了模型的检测性能，达到了97.3％的敏感度，每例平均0.34个假阳性的成果。在resnet-18网络
中加入注意力模块，并同样利用密集的非线性卷积和残差多核集合块使网络专注于动脉瘤目标的优化，使敏感度达到97.5％，平均每例假阳性数量高达13.8个。
49.通过多层尺度的检测方法，提出了glia-net，利用包含全局风险概率信息的全局定位网络和一个高分辨率的局部分割网络，将全局定位先验同局部特征结合起来，生成精细的三维分割结果，并取得了敏感度96.2％，平均每例4.38个假阳性的结果。注意力、多尺度的网络结构虽然一定程度提升了网络性能，但显而易见，现有网络尚未达到对脑动脉瘤与正常血管之间关系的深入理解，因此在敏感度的提升与假阳性的抑制方面遇到了瓶颈。
50.对于动脉瘤检测中的多层次、相关联、连续性的特征信息，如动脉瘤的位置、形态、尺寸等基本信息，及其相对于血管壁的差异性变化、所在的血管分段、所在血管的走行情况等，均属于脑动脉概念知识的组成部分，如何使网络在卷积特征空间中“理解”并“认知”上述概念知识，是目前有待解决的一大难题。
51.一种方法是将概念性知识以某种中间形式的媒介引入卷积神经网络中，有多项研究采用将知识先以图像特征为媒介转换为图，然后以图卷积网络与卷积神经网络进行特征拼接的方法实现概念性知识的引入。比如在发现了血管连接性对血管分割网络的作用，利用分割结果建立的图进行针对连接性的图注意力网络的训练，并以此反向传播至unet训练中实现对unet的连接针对性优化。利用边缘特征建立拓扑图并利用图网络特征与cnn特征的融合提升视网膜血管的分割效果。在cnn基础上利用形状这一概念作为单独的分支对网络的目标分割与预测进行优化。这种方法能够以较为明确的方式建立图并将知识引入网络，但其依赖的知识相对来说依然较为单一，并且受图像表征方法的限制。
52.目前，将概念性特征直接引入卷积网络中的方法也已经有初步的研究，较多的用于zero-shot语义分割领域。在零样本语义分割任务中，将特征分为图像空间与语义空间，利用目标检测算法将图像分为区块后，对每一区块形成的图特征利用图卷积网络进行特征的提取与区块的全局关联，从而实现了同一网络模型在检测目标的同时对目标的自动分类，证明了图卷积特征与卷积特征在特征空间维度融合的可行性。沿着这一思路，提出了混合知识路由模块(hybrid knowledge routed modules)，将图像特征、区块的分类语义图特征、区块的内部内容语义图特征进行融合，实现了图像中具备高一致性的目标检测。
53.cnn与知识传输模块特征相融合的few-shot image recognition，直接将文本知识利用图转换为特征与cnn特征融合，来实现无标签样本的识别。在这些研究的基础上，图卷积网络所引入的知识仅包含一个标签性定义，过于单一，因此提出了基于密集图进行构建，提升了知识图的层次，实现了多种标签性概念知识的引入，提升了零样本任务下图网络的性能。
54.综上所述，在动脉瘤检测网络利用注意力等方法的优化面临瓶颈的当下，利用图卷积等途径进行概念知识的引入为突破这一问题提供了一种思路，但当前知识引导网络仅实现了将单一概念知识的引入，如何将多层次、互相关联的复杂性概念特征引入卷积网络，目前还缺乏有效的手段。
55.根据本发明实施例，提供了一种脑动脉瘤检测模型建立方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
56.在本实施例中提供了一种脑动脉瘤检测模型建立方法，可用于移动终端，图1是根据本发明实施例的脑动脉瘤检测模型建立方法的流程图，如图1所示，该流程包括如下步骤：
57.步骤s101，获取脑动脉数据融合图，并将脑动脉数据融合图输入至图卷积模型中，得到图卷积特征。
58.在本发明实施例中，脑动脉数据融合图可以通过对患者进行相关检查，例如，通过经颅彩色多普勒超声检查或颈部超声波检查得到脑动脉数据融合图。图卷积网络以动脉瘤检测为目标，如图2所示，将脑动脉数据融合图作为输入，得到对应的图卷积特征。
59.步骤s102，获取血管预处理结果及血管知识融合数据，并将血管预处理结果及血管知识融合数据输入到编码器中，进行解耦，得到解耦特征。
60.在本发明实施例中，血管预处理结果可以为最优血管预处理结果，血管知识融合数据可以为多层次血管知识融合数据。编码器和解码器作为主干网络，主干网络的输入为最优血管预处理结果和多层次血管知识融合数据，在编码阶段，对网络的输入进行多分支解耦，得到解耦特征。
61.步骤s103，将图卷积特征和解耦特征进行特征融合，并将特征融合的结果输入到解码器中，利用血管空间标注对检测模型进行监督训练，得到脑动脉瘤检测模型。
62.在本发明实施例中，将图卷积模型处理得到的图卷积特征和编码器处理得到的解耦特征进行一对一融合，以多尺度标注为监督，将融合的特征输入到解码器中，以血管空间标注，对检测模型进行监督训练，在实现网络外部的知识融合与引入的前提下，构建能够利用多维知识引导的脑动脉瘤检测神经网络模型，得到基于知识引导神经网络的脑动脉瘤检测模型，从而实现脑动脉瘤的精准检测。
63.需要说明的是，如图2所示，在图卷积模型中加入图标注监督，在特征融合中加入多尺度标注监督，在解码器的监督分支中加入融合标注监督，在实例分支中加入血管标注监督，从而构建多监督的脑动脉瘤检测模型。
64.脑动脉瘤检测模型以编码-解码框架的三维全卷积神经网络为骨架，以多层次融合数据为核心建立多通道输入，并利用典型形态学表达下的血管三维结构特征构建多层级血管空间下的多尺度血管形态感受野。以所得到的最优知识表征方法设计网络的多分支、多监督机制，采用并行的图卷积动脉瘤检测网络，建立逐维度、逐层的知识加权融合与监督引导机制。利用构建的整体网络结构，解决其中的多尺度特征解耦、图卷积-卷积特征融合等问题，最终形成图卷积知识引导下的血管空间多尺度卷积网络模型。
65.本实施例提供的脑动脉瘤检测模型建立方法，以多层次融合数据为输入，对脑动脉数据融合图进行处理，以得到脑动脉数据融合图对应的图卷积特征，对血管预处理结果和血管知识融合数据进行处理，以编码解码为框架，建立脑动脉瘤检测模型，以构建图卷积知识引导下的多尺度网络模型，进而利用脑动脉瘤检测模型进行脑动脉瘤检测，以提高脑动脉瘤检测结果的精确度。
66.在本实施例中提供了一种脑动脉瘤检测模型建立方法，可用于上述的移动终端，图3是根据本发明实施例的脑动脉瘤检测模型建立方法的流程图，如图3所示，该流程包括如下步骤：
67.步骤s301，以语义交叉熵为损失函数，对并行卷积网络进行训练，得到图卷积模
型。
68.在本发明实施例中，图卷积模型采用并行的卷积网络，进行多层维度下关键语义知识的提取，以语义交叉熵为损失函数，以动脉瘤检测为目标，对卷积网络进行训练，得到训练好的图卷积模型。通过对并行卷积网络进行训练，得到图卷积模型，以便于对脑动脉数据融合图进行处理。
69.步骤s302，获取脑动脉数据融合图，并将脑动脉数据融合图输入至图卷积模型中，得到图卷积特征。
70.详细请参见图1所示实施例的步骤s101，在此不再赘述。
71.步骤s303，获取脑动脉分割数据和血管结构分层。
72.步骤s304，以血管中心线为轴向，基于脑动脉分割数据和血管结构分层建立编码器的感受野。
73.在本发明实施例中，感受野即为编码器每一个卷积层提取计算时的算子区域。如图4所示，脑动脉瘤检测模型中编码器的感受野是基于脑动脉分割数据和血管结构分层所建立的，以血管中心线分析为轴向的血管空间下的多尺度感受野，感受野尺度包括局部血管、血管分段、血管分区、整体血管以及整幅图像等。
74.具体地，如图4所示，在图卷积模型中加入语义交叉熵监督，在特征融合加入标准逐维度监督，在解码器的监督分支融合特征中加入融合特征监督，在解码器的实例分支中加入检测任务目标监督，以建立多监督模型。
75.通过根据脑动脉分割数据和血管结构分层，构建多层次血管空间下的多尺度血管形态感受野，以便于对血管预处理结果和血管知识融合数据输入到编码器中进行处理。
76.步骤305，获取血管预处理结果及血管知识融合数据，并将血管预处理结果及血管知识融合数据输入到编码器中，进行解耦，得到解耦特征。
77.详细请参见图1所示实施例的步骤s102，在此不再赘述。
78.在一些可选的实施方式中，编码器为多分支结构，上述步骤s305包括：
79.步骤s3051，将血管预处理结果及血管知识融合数据输入至编码器分支中，得到对应的层次特征。
80.步骤s3052，基于空间注意力机制传递层次特征，对层次特征进行多分支解耦，得到解耦特征。
81.在本发明实施例中，编码器为多分支长连接结构，并采用连续的残差块抑制其他分支的影响。将数据输入至编码器分支中，得到血管预处理结果及血管知识融合数据对应的层次特征。
82.由于多分支处理后的层次特征为浅层特征，因此，基于空间注意力机制传递层次特征，能够增强浅层特征，构成层次特征解耦的长连接机制，以实现层次特征的多分支解耦，得到解耦特征。
83.通过空间注意力机制传递层次特征，能够增强层次特征的有效传递利用编码器进行数据的多分支解耦，以实现层次特征的解耦的长连接机制，从而对数据进行解耦，以便于对解耦特征进行处理。
84.在本实施例中提供了一种脑动脉瘤检测模型建立方法，可用于上述的移动终端，如手机、平板电脑等，图5是根据本发明实施例的脑动脉瘤检测模型建立方法的流程图，如
图5所示，该流程包括如下步骤：
85.步骤s501，获取脑动脉数据融合图，并将脑动脉数据融合图输入至图卷积模型中，得到图卷积特征。
86.详细请参见图1所示实施例的步骤s101，在此不再赘述。
87.步骤s502，获取血管预处理结果及血管知识融合数据，并将血管预处理结果及血管知识融合数据输入到编码器中，进行解耦，得到解耦特征。
88.详细请参见图1所示实施例的步骤s102，在此不再赘述。
89.步骤s503，将图卷积特征和解耦特征进行特征融合，并将特征融合的结果输入到解码器中，利用多尺度标注对检测模型进行监督训练，得到脑动脉瘤检测模型。
90.在一些可选的实施方式中，上述步骤s503包括：
91.步骤s5031，将特征融合的结果输入至监督分支的卷积层，并将监督分支处理后的特征输入至实例分支中。
92.步骤s5032，以血管空间标注损失函数为监督，对检测模型进行训练，得到脑动脉瘤检测模型。
93.在本发明实施例中，编码器采用双分支路径，具体地，双分支路径包括监督分支和实例分支，每条分支均利用swim-transformer结构进行血管空间连续性特征的提取。利用swim-transformer结构进行特征提取出的特征具有连续性，相比于散点特征，更加便于对特征进行分析。
94.具体地，基于特征融合的结果对监督路径进行反馈监督，得到监督分支。先将特征融合的结果输入到监督分支的不同维度的卷积层，再将监督分支处理后的特征输入到实例分支中。同时，通过层次特征多分支解耦得到的解耦特征也输入到实例分支中的各卷积层中，以血管空间标注损失函数最小为目标，对检测模型进行监督训练，得到脑动脉瘤检测模型，最终实现基于知识引导神经网络的tof-mra脑动脉瘤的精准检测。
95.本实施例提供的脑动脉瘤检测模型建立方法，通过将监督分支处理的特征输入到实例分支中进行处理，从而实现基于知识引导神经网络的脑动脉瘤检测模型的建立。
96.需要说明的是，在具体应用中，如图6所示，获取目标对象的脑动脉分割数据、人工标注数据以及脑动脉瘤知识数据，作为脑动脉瘤检测模型的数据输入。进行动脉瘤人工标注，以建立脑动脉瘤检测模型，进行疑似区域检测，判别脑动脉瘤，得到脑动脉瘤检测结果，从而实现脑动脉瘤检测。
97.在本实施例中还提供了一种脑动脉瘤检测模型建立装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
98.本实施例提供一种脑动脉瘤检测模型建立装置，如图7所示，该装置包括：
99.输入模块701，用于获取脑动脉数据融合图，并将脑动脉数据融合图输入至图卷积模型中，得到图卷积特征。
100.解耦模块702，用于获取血管预处理结果及血管知识融合数据，并将血管预处理结果及血管知识融合数据输入到编码器中，进行解耦，得到解耦特征。
101.训练模块703，用于将图卷积特征和解耦特征进行特征融合，并将特征融合的结果
输入到解码器中，利用血管空间标注对检测模型进行监督训练，得到脑动脉瘤检测模型。
102.在一些可选的实施方式中，该装置还包括：
103.得到模块704，用于以语义交叉熵为损失函数，对并行卷积网络进行训练，得到图卷积模型。
104.在一些可选的实施方式中，该装置还包括：
105.获取模块705，用于获取脑动脉分割数据和血管结构分层。
106.建立模块706，用于以血管中心线为轴向，基于脑动脉分割数据和血管结构分层建立编码器的感受野。
107.在一些可选的实施方式中，解耦模块702包括：
108.第一得到单元，用于将血管预处理结果及血管知识融合数据输入至编码器分支中，得到对应的层次特征。
109.第二得到单元，用于基于空间注意力机制传递层次特征，对层次特征进行多分支解耦，得到解耦特征。
110.在一些可选的实施方式中，训练模块703包括：
111.输入单元，用于基于空间注意力机制传递层次特征，对层次特征进行多分支解耦，得到解耦特征。
112.监督训练单元，用于利用血管空间标注，以血管空间标注损失函数最小为目标，对检测模型进行监督训练，得到脑动脉瘤检测模型。
113.上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
114.本实施例中的脑动脉瘤检测模型建立装置是以功能单元的形式来呈现，这里的单元是指asic(application specific integrated circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
115.本发明实施例还提供一种计算机设备，具有上述图7所示的脑动脉瘤检测模型建立装置。
116.请参阅图8，图8是本发明可选实施例提供的一种计算机设备的结构示意图，如图8所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器10为例。
117.处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
118.其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器
10执行实现上述实施例示出的方法。
119.存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
120.存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
121.该计算机设备还包括输入装置30和输出装置40。处理器10、存储器20、输入装置30和输出装置20可以通过总线或者其他方式连接，图8中以通过总线连接为例。
122.输入装置30可接收输入的数字或字符信息，以及产生与该计算机设备的用户设置以及功能控制有关的键信号输入。
123.本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
124.虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。